👓 glasses_p45_v20260730 眼鏡辨識實驗報告

🧪 測試實驗。目的:同 recipe 換不同資料(cvat #45 辦公室眼鏡AI)訓一版,跟 #43 版做「資料難度」對照。參數 100% 與 glasses_v20260730 一致,只換料。

MobileNetV3-L binary ｜ cvat #45 辦公室眼鏡AI ｜全身 crop 384×384 ｜未切 production

做法(與 #43 版一模一樣)

cvat #45(person bbox + glasses[yes/no])→ person polygon→bbox 全身 crop → MobileNetV3 二元。not_visible/unknown 跳過。訓練參數:全身 384、batch64、ep30、lr5e-4、patience8、camaug —— 與 glasses_v20260730 完全相同,唯一差異=資料源。

訓練資料

train 356(戴 261/沒戴 95)· val 56 · test 44(戴 32/沒戴 12)· pos_weight 0.364

全身 crop 樣本

📈 訓練曲線

結果 + 與 #43 對照

指標	#43(glasses_v20260730)	#45(本版, 眼鏡AI)
test glasses AP	0.976	0.8665
@0.5 accuracy	0.930	0.614
FN(戴→判沒戴)	0/43	14/32
FP	4/14	3/12

實驗判讀

#45 明顯較難(AP 0.87 vs #43 0.98)—— 「眼鏡AI」料多樣性高、不像 #43 只 2 人那麼好背 → 更接近真實泛化,#43 的 0.976 是同 2 人樂觀上限
⚠️ thr 0.5 下 FN 14/32(半數戴的被漏)—— 這 model 機率整體偏低,0.5 門檻不適用,需場域校準(AP 0.87 代表調低門檻能救回 recall)
同 recipe 不同料的乾淨對照:資料難度是主因

ckpt(R2/本地):glasses_p45_v20260730/best.pt。demo register: glasses_p45(實驗)。